Forskning i mellemstore og tunge lastbiler driver effektivitet til at imødekomme fremtidige behov

Drives af stigningen i e-handel og hurtige forsendelsestjenester som Amazon, forbrugere er kommet til at forvente deres varer lige uden for døren i løbet af få dage og endda timer - ikke uger. Denne on-demand-kultur falder sammen med udvidelsen af ​​transportteknologier, forbindelse, og automatisering, og sammen, disse ændringer ryster en vigtig hjørnesten i amerikansk transport- vores vitale afhængighed af mellemstore og tunge lastbiler.

Klasse 8 -lastbiler leverer omkring 80 procent af varerne i USA og tegner sig for omkring 22 procent af det samlede energiforbrug til transport. Deres væsentlige rolle i at muliggøre forretningstransaktioner og forbruge brændstof gør dem til primære mål for forandringer, der bedre vil understøtte Amerikas udviklende mobilitet og leveringsbehov.

For at imødekomme fremtidige behov, det amerikanske energiministerium (DOE's) Argonne National Laboratory er på forkant med forskning for at forbedre effektiviteten og udnyttelsen af ​​disse køretøjer, lavere emissioner, og reducere amerikanernes afhængighed af udenlandsk olie. Laboratoriets forskere tackler dette arbejde på tværs af flere fronter.

Sammen med banebrydende avancerede motorkoncepter og kontroller, forskere evaluerer nye teknologier til at styrke beslutningstagere i både privat og offentlig sektor. Denne forskningsindsats styrkes af industri- og regeringspartnerskaber, og ved at udnytte Argonnes faciliteter i verdensklasse og samarbejde på tværs af discipliner for at fremskynde innovation.

Med mangfoldig ekspertise og ressourcer til grundlæggende forbrændingsopskrifter og køretøjsevaluering, high-fidelity multi-fysik modellering, maskinelæring, og forudsigende analyse, Argonne bidrager til udviklingen af ​​medium- og heavy-duty teknologi for fremtiden.

Partnerskab med pioner avancerede motorer

Argonne udlåner sin ekspertise inden for mellemstor og tung teknologi til to større samarbejder, der fremmer effektiviteten. Den ene er DOE's 21. århundredes lastbilpartnerskab, hvor regerings- og branchepartnere er gået sammen om at identificere forskningsområder med behov og fremskynde udviklingen af ​​ny teknologi.

Argonne arbejder også med Navistar i DOE's SuperTruck II, et stort samarbejde, hvor teams af producenter arbejder på at forbedre effektiviteten af ​​klasse 8-lastbiler betydeligt. Specifikke mål omfatter en 100 procent stigning i godseffektivitet og 55 procent bremseeffekt, som måler, hvor godt en motor omdanner brændstofenergi til mekanisk energi.

Gennem dette samarbejde, Argonne -forskere arbejder på at finde frem til avancerede forbrændingsmetoder, der kan levere disse effektivitetsmål. Dette arbejde bygger på DOE's SuperTruck I, som havde lignende mål, og hvor Argonne også indgik et samarbejde med Navistar.

"Vi er begejstrede for at samarbejde med Navistar igen om dette vigtige arbejde. Vi vil bruge vores omfattende eksperimentelle motorkompetence til at udvikle innovative tilgange til forbedring af effektiviteten, "Research Manager og Argonne Engineering Project Lead Thomas Wallner sagde.

Optimering af højeffektive motorer

Optimering er nødvendig for at konstruere mere effektive motorer og kræver ikke bare en dyb forståelse for, hvordan materialer og komponenter fungerer sammen, men også værktøjer, der hurtigt kan forstå forbrændingsprocesser. Argonne leverer begge aspekter med sin kombinerede ekspertise i forbrændingsmodellering og højtydende computermuligheder.

Lastbilproducenter og andre interessenter udnytter disse to muligheder til at fremskynde udviklingen af ​​avancerede motordele, som avancerede tændingssystemer. Argonnes igangværende CRADA (kooperativ forsknings- og udviklingsaftale) med Cummins og Convergent Science Inc. er et eksempel på den værdi, disse evner tilfører processen.

I dette partnerskab, Argonne-eksperter optimerer brændstofsprøjtemodeller, der bruges i virksomhedens interne design. Modellerne forudsiger et fænomen kendt som kavitation, hvorved brændstof omdannes fra væske til damp. Processen kan ødelægge injektoren og hindre ydeevnen, hvis den ikke behandles før produktionen.

At have en klar forståelse af, hvordan kavitation opstår, kan muliggøre forbedringer, der løser eller afbød problemet, og at anvende beregningsmodellering i processen sparer tid og penge.

"Ved hjælp af modelleringsmetoder og højtydende computing, du kan forudsige problemet og forstå, hvordan og hvorfor det sker, hvilket sparer industrien på eksperimentelle omkostninger, "sagde Argonne Computational Multi-Physics Section Manager Sibendu Som." Den tid og de penge, du sparer, du kan gå i retning af tekniske måder at løse problemet på, om det betyder at ændre materialets eller design eller placering af dele. "

Optimering af driften

Effektiviteten kan forbedres ikke kun ved at optimere motoren, men også ved at optimere individuelle køretøjskontroller og varelevering. Smartere routing og kontroller kan hjælpe med at forbedre brændstofeffektivitet og omkostningsbesparelser og, på systemniveau, minimere overbelastning og andre forstyrrelser.

Så, ud over motoroptimering, Argonne -forskere modellerer energi og mobilitet i hele bysystemer for at evaluere virkningen af ​​nye teknologier. De undersøger også måder at evaluere routing baseret på brændstofforbrug, tid, og miljøpåvirkninger. Sådanne modeller kan hjælpe virksomheder med at maksimere driftseffektiviteten ved at anbefale ruter, der sparer energi og tid og køretøjsteknologier, der er bedst egnet til bestemte ruter, for eksempel.

Forskere udnytter dyb læring til at optimere deres modeller. Deep learning er en form for maskinlæring, der bruger en klasse af algoritmer kaldet "dybe neurale netværk, "som efterligner hjernens simple signalprocesser på en hierarkisk måde. De er særligt nyttige til at analysere komplekse egenskaber.

"At spare tid på simulering gør os i stand til at stille mange flere spørgsmål om, hvordan køretøjer vil blive brugt i fremtiden, og hvordan nye teknologier vil påvirke dem, "Køretøjs- og mobilitetssimuleringschef Aymeric Rousseau sagde." Vores mål er i sidste ende at anvende maskinlæring for at forbedre driftseffektiviteten uden behov for high fidelity -simuleringer. "

Real-world evalueringer af nye teknologier

Skal vedtages, nye mellemstore og tunge teknologier skal først bevises at de opfylder en specifik branches behov, og levere overlegne fordele. Argonne kan evaluere forskellige mellemstore og tunge teknologier til at levere denne indsigt, hjælpe beslutningstagere med at forstå, hvor investeringer og forsknings- og udviklingsindsatser skal placeres.

I et projekt for Fedex, forskere sammenlignede en af ​​virksomhedens mellemstore køretøjer med to tidlige elektriske køretøjer og benchmarkede deres ydeevne med en baseline-dieselmotormodel. Argonnes analyse fokuserede på at måle det relative energiforbrug for hver teknologi.

For at give indsigt i den virkelige verden, forskere brugte Argonnes avancerede testværktøjer, herunder dets interne dynamometre og testcelle, der kan simulere en lang række miljøforhold. De kombinerede testning med en omkostningsanalyse baseret på prøvebeskyttede ruter.

Dette arbejde genererede kritiske faktuelle data, der hjalp Fedex med at forstå, hvilke teknologier der var mest omkostningseffektive baseret på deres energiforbrug, og hjalp med at guide forretningsinvesteringsbeslutninger.

"Vores analyse gør mange ting, herunder at hjælpe interessenter med at forstå, hvilke teknologier der reducerer omkostninger og gavner forbrugerne og miljøet, ikke bare for i dag, men også for i morgen, "sagde forskningsingeniør Forrest Jehlik.

"Vi kan også hjælpe branchepartnere med at matche deres behov til den rigtige teknologi. F.eks. vi kan hjælpe et firma med at forstå, hvor meget batterikraft de skal bruge for at understøtte deres drift ved hjælp af elektriske køretøjer. I betragtning af at omkostningerne til disse køretøjer stort set bestemmes af omkostningerne ved batteriet og elektronik med høj effekt, at have denne form for indsigt kan give reelle besparelser. "

Systemoptimering

Det fulde omfang af Argonnes analysemuligheder stopper ikke ved analyser af omkostninger; det går endnu dybere ved hjælp af brede modeller. Med sin patenterede GREET -model, Argonne kan levere livscyklusanalyser med fuld kulstof for op til 85 forskellige køretøjs- og brændstofkombinationer. Ud over, Argonnes modelleringsværktøjer POLARIS og Autonomie gør det muligt for forskere at modellere mobilitet og energi i hele byer.

Laboratoriet vil fortsætte med at skubbe grænserne for medium og tung teknologi fra alle forskellige vinkler. Argonnes mangefacetterede kapaciteter og fremgangsmåder hjælper nationen med at opnå energioafhængighed og understøtter innovation på tværs af energisektoren.

"Spørgsmålet er ikke, om tingene vil ændre sig, men hvordan, "Rousseau sagde." Vi giver indsigt til at hjælpe vores partnere med at forstå, hvordan tingene kan ændre sig, og giver dem mulighed for at træffe valg om, hvordan de skal forberede sig på disse fremtidige ændringer. "